# -*- coding：utf-8 -*-
# &Author AnFany
# 两层的Blending回归
# 第一层7个模型：随机森林，AdaBoost，GBDT，LightGBM，XGBoost，CatBoost，BPNN回归
# 第二层模型：线性回归
# 引入数据文件
import pm25_Blending_data as pm25
# 引入绘图库包
import matplotlib.pyplot as plt
from pylab import mpl
mpl.rcParams['font.sans-serif'] = ['FangSong'] # 显示中文
mpl.rcParams['axes.unicode_minus'] = False # 显示负号
# 引入需要用到的模型的库包
# 随机森林
from sklearn.ensemble import RandomForestRegressor as RF
# AdaBoost
from sklearn.ensemble import AdaBoostRegressor
from sklearn.tree import DecisionTreeRegressor
# GBDT
from sklearn.ensemble import GradientBoostingRegressor
# XGBoost
import xgboost as xgb
# LightGBM
import lightgbm as lgbm
# CatBoost
import catboost as cb
# BP神经网络回归
import BP_Regression as bp
# 线性回归
import Linear_Regression as linear
# 其他库包
import tensorflow as tf
import numpy as np
import pandas as pd
from collections import OrderedDict # python字典是无序的，此包是有序的
import os
os.chdir(r'E:\tensorflow_Learn\Blending\pm25')
'''
第一部分：数据处理模型
'''
class DATA:
def __init__(self, datadict=pm25.data_dict, mubiao='pm2.5'):
self.data = datadict
self.k = 0.3 # 在Blending中验证数据所占的比例
# 训练数据
self.chidata = self.data['train']
# 预测数据
self.nodata = self.data['predict']
# 类别型数据的编号
self.catsign = self.Sign()
# 目标字段
self.ziduan = mubiao
# 对于归一化化和标准化的处理，要记录转化的值，在这里将2者统一。反处理时，预测值需要乘以self.fenmu 加上self.cha
self.fenmu = 1 # 相当于标准化的标准差, 归一化的最大值减去最小值
self.cha = 0 # 相当于标准化的平均值, 归一化的最小值
# 因为对于CatBoost而言，不需要进行类别型特征的处理，但是需要类别型特征的标号
def Sign(self):
sign = []
numlist = self.chidata.values[0][: -1] # 不包括最后的目标字段
for jj in range(len(numlist)):
try:
numlist[jj] + 9
except TypeError:
sign.append(jj)
return sign
# 类别型特征数字标签化函数，
def CAtoDI(self):
# 如果特征值不能执行数字加法运算，则视为类别型特征
for tezheng in self.chidata:
try:
self.chidata[tezheng].values[0] + 1
except TypeError:
numlist = sorted(list(set(list(self.chidata[tezheng]))))
self.chidata[tezheng] = [numlist.index(hh) for hh in self.chidata[tezheng]]
try:
self.nodata[tezheng] = [numlist.index(ss) for ss in self.nodata[tezheng]]
except ValueError:
print('特征%s：预测比训练的多了值' % (tezheng))
return print('数字化处理完毕')
# 对于归一化和标准化的函数，要记录目标字段的转化值，因为要进行反归一化
# 归一化函数
def Normal(self):
# 在此之前需要把类别型标签去掉,否则会报错
for tezheng in self.chidata:
maxnum = max(list(self.chidata[tezheng]))
minum = min(list(self.chidata[tezheng]))
if maxnum == minum:
self.chidata[tezheng] = [1 for hh in self.chidata[tezheng]]
self.nodata[tezheng] = [1 for ss in self.nodata[tezheng]]
else:
self.chidata[tezheng] = [(hh - minum) / (maxnum - minum) for hh in self.chidata[tezheng]]
self.nodata[tezheng] = [(ss - minum) / (maxnum - minum) for ss in self.nodata[tezheng]]
if tezheng == self.ziduan:
self.fenmu = maxnum - minum
self.cha = minum
return print('归一化处理完毕')
# 标准化函数
def Stand(self):
# 在此之前需要把类别型标签去掉,否则会报错
for tezheng in self.chidata:
standnum = np.std(np.array(list(self.chidata[tezheng])), ddof=1) # 计算有偏的标准差
meanum = np.mean(np.array(list(self.chidata[tezheng])))
if meanum == 0:
self.chidata[tezheng] = [1 for hh in self.chidata[tezheng]]
self.nodata[tezheng] = [1 for ss in self.nodata[tezheng]]
else:
self.chidata[tezheng] = [(hh - standnum) / meanum for hh in self.chidata[tezheng]]
self.nodata[tezheng] = [(ss - standnum) / meanum for ss in self.nodata[tezheng]]
if tezheng == self.ziduan:
self.fenmu = standnum
self.cha = meanum
return print('标准化处理完毕')
# 按照验证数据集的比例,将训练数据集分为验证和训练数据集
def Kfold(self):
# 因为要保证每个模型的验证数据是一样的，
datanum = self.chidata.values
# 数据集总长度
length = len(datanum)
alist = np.arange(length)
np.random.seed(1990)
np.random.shuffle(alist) # 随机打乱数据对BPNN,SVM而言是有益处的，而对于决策树之类的模型而言没有影响
# 验证数据的长度
yanlem = int(length * self.k)
# 存储数据集的字典
datai = {}
datai['predict'] = self.nodata.values
# 选中的作为验证数据集的索引序列
np.random.seed(2000)
yanlis = np.random.choice(alist, yanlem, replace=False)
# 没有被选中的作为训练数据集的索引序列
trainlis = [ki for ki in alist if ki not in yanlis]
# 储存训练数据集
datai['train'] = datanum[trainlis]
# 储存验证数据集
datai['test'] = datanum[yanlis]
# 返回的数据集形式{'train':data, 'test':data, 'predict':data}
print('数据集分割处理完毕')
return datai
'''
第二部分：第一层的模型运行阶段
'''
# 可以任意添加模型
class MODELONE:
def __init__(self, fenmu, cha, zidan='pm2.5'):
# 验证数据集的预测结果
self.yanzhneg_pr = []
# 预测数据集的预测结果
self.predi = []
# 目标字段名称
self.zi = zidan
# 数据结构和数据处理类的保持一致，要把验证数据集的输入和真实的输出合二为一
self.datai = {}
# 记录每个模型最终误差的字典
self.error_dict = OrderedDict()
# 验证数据集的真实输出结果
self.yanzhneg_real = []
# 预测数据集的真实输出结果
self.preal = []
# 针对BPnn，得到的结果数据要反归一化
self.fen = fenmu
self.cha = cha
# 将第一层的结果转换为何数据结构处理类中一样的数据结构的函数
# 也就是{'train':dataframe, 'predict':dataframe}样式的字典
def DataStru(self):
self.datai['train'] = np.row_stack((np.array(self.yanzhneg_pr), np.array(self.yanzhneg_real))) # 此处添加行
self.datai['predict'] = np.row_stack((np.array(self.predi), np.array(self.preal)))
# 将训练数据转置
datapst = self.datai['train'].T
# 为训练数据定义DataFrame的列名
mingcheng = ['第%s个模型列' % str(dd) for dd in list(range(len(self.datai['train']) - 1))] + [self.zi]
self.datai['train'] = pd.DataFrame(datapst, columns=mingcheng)
# 将预测数据转置
dapst = self.datai['predict'].T
# 为训练数据定义DataFrame的列名
mingche= ['第%s个模型列' % str(dd) for dd in list(range(len(self.datai['predict']) - 1))] + [self.zi]
self.datai['predict'] = pd.DataFrame(dapst, columns=mingche)
return print('二层的数据准备完毕')
# 定义均方误差的函数
def RMSE(self, data1, data2):
data1, data2 = np.array(data1), np.array(data2)
subdata = np.power(data1 - data2, 2)
return np.sqrt(np.sum(subdata) / len(subdata - 1))
# 随机森林
def RF_First(self, data, n_estimators=400, max_features='auto'):
# 对训练数据进行训练，返回模验证数据，预测数据的预测结果
model = RF(n_estimators=n_estimators, max_features=max_features)
model.fit(data['train'][:, :-1], data['train'][:, -1])
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
#预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['随机森林'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的随机森林运行完毕')
# AdaBoost
def Adaboost_First(self, data, max_depth=5, n_estimators=320):
model = AdaBoostRegressor(DecisionTreeRegressor(max_depth=max_depth),
n_estimators=n_estimators, learning_rate=0.8)
model.fit(data['train'][:, :-1], data['train'][:, -1])
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
# 预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['AdaBoost'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的AdaBoost运行完毕')
# GBDT
def GBDT_First(self, data, max_depth=17, n_estimators=57):
model = GradientBoostingRegressor(loss='ls', n_estimators=n_estimators, max_depth=max_depth,
learning_rate=0.12, subsample=0.8)
model.fit(data['train'][:, :-1], data['train'][:, -1])
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
# 预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['GBDT'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的GBDT运行完毕')
# LightGBM
def LightGBM_First(self, data, max_depth=9, n_estimators=380):
model = lgbm.LGBMRegressor(boosting_type='gbdt', objective='regression', num_leaves=1200,
learning_rate=0.17, n_estimators=n_estimators, max_depth=max_depth,
metric='rmse', bagging_fraction=0.8, feature_fraction=0.8, reg_lambda=0.9)
model.fit(data['train'][:, :-1], data['train'][:, -1])
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
# 预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['LightGBM'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的LightGBM运行完毕')
# XGBoost
def XGBoost_First(self, data, max_depth=5, n_estimators=320):
model = xgb.XGBRegressor(max_depth=max_depth, learning_rate=0.1, n_estimators=n_estimators,
silent=True, objective='reg:gamma')
model.fit(data['train'][:, :-1], data['train'][:, -1])
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
# 预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['XGBoost'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的XGBoost运行完毕')
# CatBoost
def CatBoost_First(self, data, catsign, depth=8, iterations=80000):
model = cb.CatBoostRegressor(iterations=iterations, depth=depth, learning_rate=0.8, loss_function='RMSE')
model.fit(data['train'][:, :-1], data['train'][:, -1], cat_features=catsign)
# 注意存储验证数据集结果和预测数据集结果的不同
# 训练数据集的预测结果
xul = model.predict(data['train'][:, :-1])
# 验证的预测结果
yanre = model.predict(data['test'][:, :-1])
# 预测的预测结果
prer = model.predict(data['predict'][:, :-1])
# 储存
self.yanzhneg_pr.append(yanre)
self.predi.append(prer)
# 分别计算训练、验证、预测的误差
# 每计算一折后，要计算训练、验证、预测数据的误差
xx = self.RMSE(xul, data['train'][:, -1])
yy = self.RMSE(yanre, data['test'][:, -1])
pp = self.RMSE(prer, data['predict'][:, -1])
# 储存误差
self.error_dict['CatBoost'] = [xx, yy, pp]
# 验证数据集的真实输出结果
self.yanzhneg_real = data['test'][:, -1]
# 预测数据集的真实输出结果
self.preal = data['predict'][:, -1]
return print('1层中的CatBoost运行完毕')
# BPNN回归
def BPnn(self, data, hiddenlayers=3, hiddennodes=100, learn_rate=0.05, itertimes=10000,
batch_size=200, activate_func='sigmoid', break_error=0.00000043):
sign, fir, trer, ader = bp.Ten_train(data['train'][:, :-1], np.array([data['train'][:, -1]]).T,
data['test'][:, :-1], np.array([data['test'][:, -1]]).T,
hiddenlayers=hiddenlayers, hiddennodes=hiddennodes,
learn_rate=learn_rate, itertimes=itertimes,
batch_size=batch_size, activate_func=activate_func,
break_error=break_error)
# 这个模型的误差在后文添加上
return sign, fir, trer, ader
'''
第三部分：第二层的模型运行阶段 可以任意更换模型
'''
class MODETWO:
def __init__(self, in_tr_data, out_tr_data, in_pre_data):
self.xdata = in_tr_data
self.ydata = out_tr_data
self.in_pre_data = in_pre_data
# 梯度下降线性回归
def Lin_Gr(self, learn_rate=0.00000003, iter_times=80000, error=1e-9):
model = linear.LinearRegression(learn_rate=learn_rate, iter_times=iter_times, error=error)
# 两种方法
model.Gradient(self.xdata, self.ydata)
outpre = model.predict(self.in_pre_data)
return outpre
# 公式法线性回归
def Lin_Fo(self):
model = linear.LinearRegression()
# 两种方法
model.Formula(self.xdata, self.ydata)
outpre = model.predict(self.in_pre_data)
return outpre
'''
第四部分：绘制图，绘制第一层各个模型中训练，验证数据的误差，
以及最终的预测数据的真实值和误差值的对比
'''
# 定义绘制第一层模型训练、验证、预测数据的误差的函数
# 根据字典绘制不同参数下评分的对比柱状图
def Plot_RMSE_ONE_Blending(exdict, kaudu=0.2):
'''
:param exdict: 不同模型的RMSE 最小二乘回归误差的平方根
:return: 柱状图
'''
# 参数组合列表
palist = exdict.keys()
# 对应的训练数据的评分
trsore = [exdict[hh][0] for hh in palist]
# 对应的测试数据的评分
tesore = [exdict[hh][1] for hh in palist]
# 对应的预测数据的评分
presore = [exdict[hh][2] for hh in palist]
# 开始绘制柱状图
fig, ax = plt.subplots()
# 柱的个数
ind = np.array(list(range(len(trsore))))
# 绘制柱状
ax.bar(ind - kaudu, trsore, kaudu, color='SkyBlue', label='训练')
ax.bar(ind, tesore, kaudu, color='IndianRed', label='测试')
ax.bar(ind + kaudu, presore, kaudu, color='slateblue', label='预测')
# xy轴的标签
ax.set_ylabel('RMSE')
ax.set_xlabel('Blending第一层中的模型')
# 设置刻度
ax.set_xticks(ind)
ax.set_xticklabels(palist)
ax.grid()
leg = ax.legend(loc='best', ncol=3, shadow=True, fancybox=True)
leg.get_frame().set_alpha(0.8)
plt.title('Blending第一层中模型的RMSE')
plt.savefig(r'C:\Users\GWT9\Desktop\Blending_pm25.jpg')
return '一层不同模型对比'
# 最终的预测数据的真实值和误差值的对比
# 按照误差值从小到大排列的数据
def Pailie(realr, modelout, count=90):
'''
:param real: 预测数据集真实的数据
:param modelout: 预测数据集的模型的输出值
:param count: 进行数据对比的条数
:return: 按照差值从小到大排列的数据
'''
relal_num = np.array(realr)
modelout_num = np.array(modelout)
# 随机选取
np.random.seed(200)
fu = np.random.choice(list(range(len(realr))), count, replace=False)
show_real, show_model = relal_num[fu], modelout_num[fu]
# 计算差值
sunnum = show_real - show_model
# 首先组合三个数据列表为字典
zuhedict = {ii: [show_real[ii], show_model[ii], sunnum[ii]] for ii in range(len(show_model))}
# 字典按着值排序
zhenshi = []
yucede = []
chazhi = []
# 按着差值从大到小
for jj in sorted(zuhedict.items(), key=lambda gy: gy[1][2]):
zhenshi.append(jj[1][0])
yucede.append(jj[1][1])
chazhi.append(jj[1][2])
return zhenshi, yucede, chazhi
# 绘制预测值，真实值对比折线，以及与两值的误差柱状图
def recspre(yzhenshide, yyucede, title='公式法'):
# 获得展示的数据
yreal, ypre, cha = Pailie(yzhenshide, yyucede)
plt.figure()
ax = plt.subplot(111)
plt.grid()
dign = np.arange(len(yreal))
# 绘制真实值
ax.scatter(dign, yreal, label='真实值', lw=2, color='blue', marker='*')
# 绘制预测值
ax.plot(dign, ypre, label='预测值', lw=2, color='red', linestyle='--', marker='.')
# 绘制误差柱状图
ax.bar(dign, cha, 0.1, label='真实值减去预测值', color='k')
# 绘制0线
ax.plot(dign, [0] * len(dign), lw=2, color='k')
ax.set_ylim((int(min(cha)) - 1, int(max([max(yreal), max(ypre)]))))
ax.set_xlim((0, len(dign)))
ax.legend(loc='best')
ax.set_title('%s:北京市Pm2.5预测数据集结果对比' % title)
plt.savefig(r'C:\Users\GWT9\Desktop\Blending_duibi_%s.jpg' % title)
return '完毕'
'''
第五部分：Blending主函数
'''
if __name__ == "__main__":
# 第一层7个模型：随机森林，AdaBoost，GBDT，LightGBM，XGBoost，CatBoost，BPNN
# 下面依次为每个模型建立数据
# 随机森林、AdaBoost，GBDT，LIghtGNM，XGBoost都是一样的
rf_data = DATA()
rf_data.CAtoDI() # 标签数字化
data_rf = rf_data.Kfold() # 分割数据
# CatBoost
cat_data = DATA() # 不用处理
data_cat = cat_data.Kfold() # 分割数据
# BPnn数据处理
bp_data = DATA()
bp_data.CAtoDI() # 标签数字化
bp_data.Stand() # 标准化
data_bp = bp_data.Kfold() # 分割数据
# 开始建立Blending第一层的模型
one_stacking = MODELONE(bp_data.fenmu, bp_data.cha)
# 随机森林
one_stacking.RF_First(data_rf)
# AdaBoost
one_stacking.Adaboost_First(data_rf)
# GBDT
one_stacking.GBDT_First(data_rf)
# LightGBM
one_stacking.LightGBM_First(data_rf)
# XGBoost
one_stacking.XGBoost_First(data_rf)
# CatBoost
one_stacking.CatBoost_First(data_cat, cat_data.catsign)
# BPnn
signi, gir, trarm, adder = one_stacking.BPnn(data_bp)
# 此处要下载最优的BPnn的模型，计算成本函数值，验证、预测数据集的预测结果
# 训练完成后读取最优的参数，在计算最终的预测结果
graph = tf.train.import_meta_graph("./pm25-%s.meta" % signi)
ses = tf.Session()
graph.restore(ses, tf.train.latest_checkpoint('./'))
op_to_restore = tf.get_default_graph().get_tensor_by_name("Sigmoid_%s:0" % gir) # 这个tensor的名称和激活函数有关系，需要去BP的程序中获得
w1 = tf.get_default_graph().get_tensor_by_name("x_data:0")
feed_dict = {w1: data_bp['predict'][:, :-1]}
dgsio = ses.run(op_to_restore, feed_dict)
preout = bp_data.fenmu * dgsio.T[0] + bp_data.cha
# 在这里需要计算预测数据集的误差
prerror = one_stacking.RMSE(preout, data_bp['predict'][:, -1] * bp_data.fenmu + bp_data.cha)
one_stacking.error_dict['BPNN'] = [trarm * bp_data.fenmu, adder * bp_data.fenmu, prerror] # 因为BPNN的误差是数据处理后的误差
# 绘制第一层中各个模型的误差图
Plot_RMSE_ONE_Blending(one_stacking.error_dict)
feed_dict_add = {w1: data_bp['test'][:, :-1]}
dgsio_add = ses.run(op_to_restore, feed_dict_add)
adderout = bp_data.fenmu * dgsio_add.T[0] + bp_data.cha
# 添加BPNN模型的验证、预测数据集的输出结果
one_stacking.yanzhneg_pr.append(adderout)
one_stacking.predi.append(preout)
# 第二层的数据准备
one_stacking.DataStru()
data_two = one_stacking.datai
# 第二层的数据处理
erce_data = DATA(datadict=data_two)
# 因为线性回归是可以取到最优值的，因此在里不在设置验证数据集
erce_data.k = 0
redata = erce_data.Kfold()
# 第二层建模
stacking_two = MODETWO(np.array(redata['train'][:, :-1]),
np.array([redata['train'][:, -1]]).T,
np.array(redata['predict'][:, :-1]))
# 两种不同方法的线性回归:公式法
outlist_Fo = stacking_two.Lin_Fo()
# 输出最终的对比曲线
recspre(redata['predict'][:, -1], outlist_Fo.T[0], title='公式法')
# 两种不同方法的线性回归:梯度下降法
outlist_Gr = stacking_two.Lin_Gr()
# 输出最终的对比曲线
recspre(redata['predict'][:, -1], outlist_Gr.T[0], title='梯度下降法')
